他来了，他来了，他带着数据科学库走来了！！！！

Posted 2021-07-27 不想秃头的里里

 

近年来，Python 已成为当今使用最广泛的编程语言之一，尤其是在数据科学领域。

Python 是一种高性能的语言，易于学习和调试，并且具有广泛的库支持。这些库都有自己独特的功能，一些专注于数据挖掘，一些专注于数据可视化和神经网络。在解决数据科学任务和挑战时，数据爱好者、分析师、工程师和科学家正在利用 Python 的强大功能，来进行统计分析和建立预测模型。

我之前写的文章也简单盘点过Python的第三方库，对于那些初学者来说，刚刚接触Python对它的数据生态系统不太熟悉的，我现在主要来介绍一部分重要的数据科学库。主要包括以下库IPython 、NumPy 、SciPy 、Pandas、StatsModels 、Scikit-Learn 。

 

---

1.IPython

ipython是一个python的交互式shell，比默认的python shell好用得多，支持变量自动补全，自动缩进，支持bash shell命令，内置了许多很有用的功能和函数。学习ipython将会让我们以一种更高的效率来使用python。同时它也是利用Python进行科学计算和交互可视化的一个最佳的平台。

IPython 是基于BSD 开源的。

IPython 为交互式计算提供了一个丰富的架构，包含：

• 强大的交互式 shell

• Jupyter 内核

• 交互式的数据可视化工具

• 灵活、可嵌入的解释器

• 易于使用，高性能的并行计算工具

尽管它本身并不提供任何计算或数据分析工具，它的设计侧重于在交互计算和软件开发两方面将生产力最大化。它使用了一种执行-探索工作流来替代其他语言中典型的编辑-编译-运行工作流。它还提供针对操作系统命令行和文件系统的易用接口。由于数据分析编码工作包含大量的探索、试验、试错和遍历，IPython可以使你更快速地完成工作。

官网：http://ipython.org/

 

---

2.NumPy

NumPy是Numerical Python的简写，是Python数值计算的基石。NumPy 是科学应用程序库的主要软件包之一，用于处理大型多维数组和矩阵，它大量的高级数学函数集合和实现方法使得这些对象执行操作成为可能。它提供多种数据结构、算法以及大部分涉及Python数值计算所需的接口NumPy 是一个运行速度非常快的数学库，主要用于数组计算，包含：

• 一个强大的N维数组对象 ndarray
• 广播功能函数
• 整合 C/C++/Fortran 代码的工具
• 线性代数、傅里叶变换、随机数生成等功能

NumPy 通常与 SciPy（Scientific Python）和 Matplotlib（绘图库）一起使用， 这种组合广泛用于替代 MatLab，是一个强大的科学计算环境，有助于我们通过 Python 学习数据科学或者机器学习。

官网 ：http://www.numpy.org/

 

 

---

3.SciPy

另一个科学计算核心库 SciPy，基于 NumPy 而构建，并扩展了 NumPy 的功能。SciPy 的主要数据结构是多维数组，使用 Numpy 实现。该库提供了一些用于解决线性代数、概率论、积分计算等任务的工具。它的主要功能基于Numpy库，因此其中数组操作大量应用了Numpy库。SciPy 包含的模块有最优化、线性代数、积分、插值、特殊函数、快速傅里叶变换、信号处理和图像处理、常微分方程求解和其他科学与工程中常用的计算。

• Python SciPy库支持集成，梯度优化，常微分方程求解器，并行编程工具、
• 与SciPy的交互式会话是类似于MATLAB，Octave，Scilab或R-lab的数据处理和系统原型制作环境。
• SciPy为数据科学提供高级命令和类。 这大大提高了交互式Python会话的功能
• 除了数学算法，SciPy还包括从类到并行编程的所有内容。 这使程序员更容易开发复杂的专业应用程序。
• SciPy是一个开源项目。 因此，它具有良好的社区支持。

SciPy与NumPy一起为很多传统科学计算应用提供了一个合理、完整、成熟的计算基础。

官网：https://scipy.org/scipylib/

 

 

---

4.Pandas

Pandas 是 Python 语言的一个扩展程序库，用于数据分析。

Pandas 是一个开放源码、BSD 许可的库，提供高性能、易于使用的数据结构和数据分析工具。Pandas 名字衍生自术语 "panel data"（面板数据）和 "Python data analysis"（Python 数据分析）。一个强大的分析结构化数据的工具集，基础是 Numpy（提供高性能的矩阵运算）；可以从各种文件格式比如 CSV、JSON、SQL、Microsoft Excel 导入数据；可以对各种数据进行运算操作，比如归并、再成形、选择，还有数据清洗和数据加工特征；广泛应用在学术、金融、统计学等各个数据分析领域。

• 带有标签轴，支持自动化或显式数据对齐功能的数据结构——这可以防止未对齐数据和不同数据源的不同索引数据所引起的常见错误
• 集成时间序列函数功能
• 能够同时处理时间序列数据和非时间序列数据的统一数据结构
• 可以保存元数据的算术操作和简化
• 灵活处理缺失数据
• 流行数据库（例如基于SQL的数据库）中的合并等关系型操作

Pandas 的主要数据结构是 Series （一维数据）与 DataFrame（二维数据），这两种数据结构足以处理金融、统计、社会科学、工程等领域里的大多数典型用例。

官网：http://pandas.pydata.org

 

---

5.StatsModels

Statsmodels 是一个 Python 模块，为统计数据分析提供了很多可能性，例如统计模型估计、运行统计测试等。你可以借助它来实现很多机器学习方法，并探索不同的绘图可能性。包含在statsmodels中的一些模型：

• 线性模型，广义线性模型和鲁棒线性模型
• 线性混合效应模型
• 方差分析（ANOVA）方法
• 时间序列过程和状态空间模型
• 广义的矩量法

statsmodels更专注于统计推理，提供不确定性评价和p值参数。

官网：http://statsmodels.org

 

---

6.Scikit-Learn

Scikit-learn（以前称为scikits.learn，也称为sklearn）是针对Python 编程语言的免费软件机器学习库  。它具有各种分类，回归和聚类算法，包括支持向量机，随机森林，梯度提升，k均值和DBSCAN，并且旨在与Python数值科学库NumPy和SciPy联合使用。包含以下子模块。

• 分类：SVM、最近邻、随机森林、逻辑回归等

• 回归：Lasso、岭回归等

• 聚类：k-means、谱聚类等

• 降维：PCA、特征选择、矩阵分解等

• 模型选择：网格搜索、交叉验证、指标矩阵

• 预处理：特征提取、正态化

scikit-learn与pandas、statsmodels、IPython一起使Python成了高效的数据科学编程语言。

官网：http://scikit-learn.org

 

---

如果大家想要更详细的了解Python的科学数据库，可以上官网查询，或是找相关的书籍资料学习。喜欢本次分享的小伙伴，记得一键三连哦！笔芯~